跳转至内容

YOLOv8 vs. PP-YOLOE+：技术对比

在选择对象检测模型时，开发人员必须权衡准确性、推理速度和易于实施之间的权衡。本页提供了两个强大模型之间的详细技术比较：Ultralytics YOLOv8，一个来自Ultralytics的多功能且广泛采用的模型，以及PP-YOLOE+，一个来自百度的具有高准确性的模型。我们将深入研究它们的架构差异、性能基准和理想用例，以帮助您确定最适合您计算机视觉项目的模型。

Ultralytics YOLOv8：通用性和性能

Ultralytics YOLOv8 是 Ultralytics 开发的先进模型，建立在以前 YOLO 版本成功的基础之上。它被设计为一个统一的框架，用于训练对象检测、实例分割、图像分类、姿势估计等模型。其性能、灵活性和易用性的结合使其成为开发人员和研究人员的最爱。

作者： Glenn Jocher, Ayush Chaurasia, 和 Jing Qiu
机构： Ultralytics
日期： 2023-01-10
GitHub： https://github.com/ultralytics/ultralytics
文档： https://docs.ultralytics.com/models/yolov8/

架构和主要特性

YOLOv8 采用无锚框设计，并具有新的 C2f 骨干网络，该网络增强了特征提取能力，同时保持轻量级。它原生构建于 PyTorch 中，使其具有很高的可访问性和易于修改。

YOLOv8 的一个关键优势在于维护良好的 Ultralytics 生态系统。它通过简单的 Python API 和 CLI、广泛的 文档和活跃的社区支持，提供了简化的用户体验。该模型用途广泛，在单个框架内支持多个视觉任务，这是许多更专业的模型通常缺乏的功能。此外，YOLOv8 表现出卓越的训练效率，与许多替代方案相比，训练时间更快，内存需求更低。它与 Ultralytics HUB 的集成简化了整个 MLOps 管道，从数据标记到部署。

优势

  • 卓越的性能平衡： 在速度和准确性之间实现了强大的权衡，使其适用于从边缘设备到云服务器的各种应用。
  • 多功能性： 单个模型框架支持检测、分割、分类、姿势估计和旋转边界框，提供无与伦比的灵活性。
  • 易用性： 用户友好的 API、全面的文档和一个庞大而活跃的社区，让您可以轻松入门并解决问题。
  • 完善的生态系统： 受益于持续的更新、新功能以及与 Weights & Biases 和 Comet 等 MLOps 工具的无缝集成。
  • 部署灵活性： 易于导出为各种格式，如 ONNX、TensorRT 和 OpenVINO，从而能够在各种硬件上实现优化的推理。

弱点

  • 虽然极具竞争力，但最大的 PP-YOLOE+ 模型可以在 COCO 数据集 上实现稍高的 mAP，但代价是更多的参数和更慢的推理速度。

应用案例

YOLOv8 均衡的性能和多功能性使其成为以下应用的理想选择：

了解更多关于 YOLOv8 的信息

PP-YOLOE+：PaddlePaddle 生态系统中的高精度

PP-YOLOE+ 是由 百度 开发并作为其 PaddleDetection 套件一部分的目标检测模型。它是一种无锚框的单阶段检测器，专注于在保持合理效率的同时实现高精度。该模型构建于 PaddlePaddle 深度学习框架之上。

作者： PaddlePaddle Authors
机构： Baidu
日期： 2022-04-02
ArXiv： https://arxiv.org/abs/2203.16250
GitHub： https://github.com/PaddlePaddle/PaddleDetection/
文档： https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.8.1/configs/ppyoloe/README.md

架构和主要特性

PP-YOLOE+ 引入了几项架构增强功能，包括用于分类和回归的解耦头，以及称为任务对齐学习 (TAL) 的专用损失函数。它使用 ResNet 或 CSPRepResNet 等骨干网络，并结合路径聚合网络 (PAN) neck 以实现有效的特征融合。这些设计选择有助于其高精度，尤其是在较大的模型变体中。

优势

  • 高精度： 最大的模型 PP-YOLOE+x 在 COCO 基准测试中实现了非常高的 mAP 分数。
  • 高效的无锚框设计： 通过消除对预定义锚框的需求，简化了检测流程。
  • 针对 PaddlePaddle 进行了优化： 与 PaddlePaddle 生态系统紧密集成，这对于已经使用此框架的开发人员来说可能是一个优势。

弱点

  • 框架依赖性： 主要依赖于 PaddlePaddle 框架限制了其在更广泛社区中的可访问性，而该社区主要使用 PyTorch。
  • 有限的多功能性： PP-YOLOE+ 主要是一个对象检测器，缺乏 YOLOv8 中内置的对分割、分类和姿势估计的多任务支持。
  • 更高的资源使用率： 如性能表所示，对于相似的精度水平，PP-YOLOE+ 模型通常比其 YOLOv8 对应模型具有更多的参数和更高的 FLOPs。
  • 生态系统不够完善： 社区支持、文档和第三方集成不如 Ultralytics YOLOv8 那样全面。

应用案例

PP-YOLOE+ 非常适合于将实现最高精度作为首要任务且开发团队以 PaddlePaddle 框架为标准的应用。

  • 工业缺陷检测： 识别制造业中对精度要求极高的微小缺陷。
  • 专业科学研究： 需要在特定数据集上获得尽可能高的检测精度的项目。
  • 零售自动化： 自动化结账系统等高精度任务。

了解更多关于 PP-YOLOE+ 的信息

性能与基准分析

以下性能比较突出了 YOLOv8 和 PP-YOLOE+ 之间的主要区别。虽然 PP-YOLOE+x 实现了最高的 mAP，但它的参数比 YOLOv8x 多 44%。相比之下，YOLOv8 模型始终表现出卓越的效率，提供更好的速度和更低的资源需求。例如，YOLOv8n 在 CPU 和 GPU 上的速度明显快于任何 PP-YOLOE+ 模型，同时使用的参数和 FLOPs 最少。这种效率使 YOLOv8 成为实际部署中更实用的选择，尤其是在资源受限的 边缘设备上。

模型 尺寸
(像素)		 mAPval
50-95		 速度
CPU ONNX
(毫秒)		 速度
T4 TensorRT10
(毫秒)		 参数
(M)		 FLOPs
(B)
YOLOv8n 640 37.3 80.4 1.47 3.2 8.7
YOLOv8s 640 44.9 128.4 2.66 11.2 28.6
YOLOv8m 640 50.2 234.7 5.86 25.9 78.9
YOLOv8l 640 52.9 375.2 9.06 43.7 165.2
YOLOv8x 640 53.9 479.1 14.37 68.2 257.8
PP-YOLOE+t 640 39.9 - 2.84 4.85 19.15
PP-YOLOE+s 640 43.7 - 2.62 7.93 17.36
PP-YOLOE+m 640 49.8 - 5.56 23.43 49.91
PP-YOLOE+l 640 52.9 - 8.36 52.2 110.07
PP-YOLOE+x 640 54.7 - 14.3 98.42 206.59

结论：您应该选择哪种模型？

对于绝大多数开发人员和应用来说，Ultralytics YOLOv8 是更优越的选择。它在速度、准确性和资源效率之间提供了出色的平衡，难以匹敌。然而，它真正的优势在于它的多功能性和围绕它的强大生态系统。在一个易于使用的框架内处理多个计算机视觉任务的能力，加上广泛的文档、活跃的社区支持和无缝的 MLOps 集成，使 YOLOv8 成为一个非常强大和实用的工具。

PP-YOLOE+ 是一款值得称赞的模型，它突破了 PaddlePaddle 框架内的精度界限。对于已经投资于 Baidu 生态系统的团队，或者对于仅以 mAP 中挤出最后百分之一为唯一目标的小众应用来说，它是一个可行的选择，而不管模型大小和框架灵活性方面的成本如何。

总而言之，如果您正在寻找一个灵活、快速、易于使用、拥有良好支持并且可以适应各种任务的模型，那么 YOLOv8 显然是最佳选择。

探索其他模型

如果您有兴趣探索其他先进的模型，请务必查看我们的其他对比页面：



📅 1 年前创建 ✏️ 1 个月前更新
glenn-jocher

评论